Calcula la función de verosimilitud para el modelo ajustado GARCH-M.
Sintaxis
X son los datos de serie de tiempo univariante (una matriz unidimensional de celdas (Ej. filas o columnas)).
Order es el orden de tiempo en la serie de datos (Ej. El primer punto corresponde a la fecha (la más temprana fecha=1 (por defecto), la última fecha=0)).
| Orden | Descripición |
|---|---|
| 1 | ascendente (El primer punto corresponde a la fecha más temprana (por defecto) |
| 0 | descendente (El primer punto corresponde ala última fecha) |
mean es la media del modelo GARCH-M (Ej. mu).
lambda es la media del coeficiente de volatilidad. En finanzas, lambda hace referencia a una prima de riesgo.
alphas son los parámetros de (p) modelo de componente ARCH (comenzando con el lag más bajo).
betas son los parámetros de (q) modelo de componente GARCH(q)(comenzando con el lag más bajo).
innovation es el modelo de distribución de probabilidad para los residuales (1=Gaussiana (por defecto), 2=t-Distribución, 3=GED).
| valor | Descripción |
|---|---|
| 1 | Distribución normal o Gaussiana(por defecto) |
| 2 | Distribución t del estudiante |
| 3 | Distribución de error generalizada (GED) |
v es la forma del parámetro (o grados de libertad) de los residuales/innovations de la función de la distribución de probabilidad.
Observaciones
- El modelo subyacente se describe aquí.
- La función de probabilidad logarítmica ( LLF ) se describe aquí.
- La series de tiempo son homogéneas e igualmente espaceadas.
- Las series de tiempo pueden incluir valores faltantes (Ej. #N/A) en cada extremo.
- La máxima estimación de verosimilitud estimada (MLE) es un método estadístico para ajustar un modelo a los datos y proveer estimados para los párametros del modelo.
- El número de parámetros en los argumentos de entrada - alpha - determina elorden del modelo componente ARCH.
- El número de parámetros en los argumentos de entrada - beta - determina el orden del modelo componente GARCH.
Ejemplos
Ejemplo 1:
|
|
| Fórmula | Descripción (Resultado) | |
|---|---|---|
| =GARCHM_LLF($B$2:$B$32,1,$D$3,$D$4,$D$5:$D$6,$D$7) | Log-Likelihood Function for Guassian Distribution (-45.482) | |
| =GARCHM_LLF($B$2:$B32,1,$D$3,$D$4,$D$5:$D$6,$D$7,2,5) | Log-Likelihood Function for t-Distribution when v = 5 (-49.122) | |
| =GARCHM_LLF($B$2:$B32,1,$D$3,$D$4,$D$5:$D$6,$D$7,3,2) | Log-Likelihood Function for GED when v = 2 (-45.482) | |
| =GARCHM_AIC($B$2:$B$32,1,$D$3,$D$4,$D$5:$D$6,$D$7) | Akaike's information criterion (96.964) | |
| =GARCHM_CHECK($D$3,$D$4,$D$5:$D$6,$D$7) | The GARCH-M(1,1) model is stable? (1) |
Ejemplos de archivos
Referencias
- Hamilton, J .D.; Time Series Analysis , Princeton University Press (1994), ISBN 0-691-04289-6
- Tsay, Ruey S.; Analysis of Financial Time Series John Wiley & SONS. (2005), ISBN 0-471-690740
Comentarios
El artículo está cerrado para comentarios.